基于Google Earth Engine和机器学习的耕地土壤有机质含量预测

作     者：郭静 龙慧灵 何津 梅新 杨贵军 Guo Jing;Long Huiling;He Jin;Mei Xin;Yang Guijun

作者机构：湖北大学资源环境学院武汉430062 农业农村部农业遥感机理与定量遥感重点实验室北京市农林科学院信息技术研究中心北京100097 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2022年第38卷第18期

页      面：130-137页

核心收录：

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0711[理学-系统科学] 0828[工学-农业工程] 0818[工学-地质资源与地质工程] 0903[农学-农业资源与环境] 0804[工学-仪器科学与技术] 0706[理学-大气科学] 0901[农学-作物学] 0714[理学-统计学（可授理学、经济学学位）] 0703[理学-化学] 0835[工学-软件工程] 0701[理学-数学] 0833[工学-城乡规划学] 0713[理学-生态学] 

基　　金：科技创新2030重大项目(2021ZD0113603) 2022年度北京市农林科学院科研创新平台建设项目(PT2022-24)。 

主　　题：土壤 有机质 数字土壤制图 GEE云平台 机器学习 耕地 

摘      要：土壤有机质含量是耕地质量定级的依据,是耕地质量评价的核心内容之一,因此,精准高效地获取土壤有机质含量非常重要。高分辨率遥感技术和谷歌地球引擎(Google Earth Engine,GEE)云计算平台的出现,为土壤有机质的高效反演提供了新的途径和方法。该研究以藁城区的Sentinel-2A MSI数据和Landsat8 OLI数据为主要的数据源,结合Sentinel-1 SAR数据、ECMWF/ERA5气象数据和USGS/SRTMGL1_003高程数据,分别采用随机森林(Random Forest,RF)、梯度升级树(Gradient Boosting Decision Tree,GBDT)和支持向量机(Support Vector Machine,SVM)算法,在GEE平台对藁城耕地土壤有机质含量进行反演。结果表明:1)基于Sentinel-2A建立的模型(模型A*)在预测SOM含量方面优于基于Landsat8建立的模型(模型B*),GBDT算法下的Sentinel-2A的全变量模型取得了最佳结果(R2=0.759,RMSE=2.852 g/kg);2)考虑红边波段的Sentinel-2A数据建立的模型(A-1)比不考虑红边波段的模型(A-0),R2提高了9.752%;3)从不同的预测算法来看,GBDT算法能较好地适用于研究区的土壤有机质预测,GBDT算法、Sentinel-2A与GEE的结合是土壤有机质预测制图的一种有效方法。